在現(xiàn)代計算機網(wǎng)絡領域,，Non-Line-of-Sight（NLOS）成像方法顯示出不錯的實驗結果，但仍存在一些短板,。比如圖像形成和反演模型的速度較慢,；受到可成像的隱藏表面類型的限制；NLOS算法不支持非平面采樣面和非共焦掃描,。在此基礎上,，提出了一種基于波的NLOS成像模型，采用頻域法f-k偏移來求解NLOS反演問題,。與現(xiàn)有的NLOS算法不同的是,，f-k偏移算法不僅速度快，而且內(nèi)存效率高,，它對鏡面和其他復雜的反射率特性具有很強的魯棒性,，且易于實現(xiàn)。
擴展閱讀：非視距（NLOS）是當無線電發(fā)射器和接收器不在直接視覺視線中時經(jīng)常使用的術語,，并且這通過在信號傳播中使用多個路徑來處理,。通過使用天線和其他這樣的通信設備可以克服非視線。現(xiàn)代計算機網(wǎng)絡最大的問題是有效地減少NLOS,，這是通過在各個點使用繼電器在無線網(wǎng)絡上完成的,，以便信號在障礙物周圍傳輸而不會丟失數(shù)據(jù)或傳輸質(zhì)量。多路徑信號傳播也被廣泛使用,。
斯坦福大學電氣工程助理教授戈登韋茨坦說,，“人們都在談論打造一款攝像頭，希望這類設備能夠具備像人類一樣的視覺能力,，然后將該類攝像頭應用到自動駕駛汽車和機器人中,。然而，我們想要打造的攝像頭系統(tǒng),，從功能性上講,，要遠超前者。我們想要攝像頭呈現(xiàn)3D視覺影像,，且能兼顧環(huán)境場景的各個角落,，采用可見光光譜（visible light spectrum）成像?！?/p>
對于研究而言,，確保這類系統(tǒng)的實用性顯然是重中之重。以前的攝像頭系統(tǒng)極其依賴均勻且足夠強的環(huán)境光線,。然而,，諸如閃閃發(fā)光一閃而過的車輛等真實世界場景中的目標物卻不屬于上述范疇,。而全新的攝像機系統(tǒng)能夠以高能激光掃描周邊環(huán)境,，物體反射到周圍墻壁上的單個光粒子能被攝像機的先進傳感器捕獲并通過處理算法重建環(huán)境,。
該研究團隊所用技術的先進之處在于：其激光器的功能性要比一年前的同類產(chǎn)品強上萬倍。該激光器可掃描場景中物體對立面的墻壁及反射到墻壁上的光,。激光將反射到墻壁上,，然后再反射回攝像頭傳感器。盡管當激光反射回到傳感器時仍處于粒子狀態(tài),，但傳感器依舊能捕獲所有的激光粒子,，利用高效的算法來破解光回聲（echoes of light）背后隱藏的畫面。
該系統(tǒng)的掃描速率為4幀/秒,，能夠以60幀/秒的速度重構場景,，但需要用到計算機和一款圖像處理軟件，后者可增強圖像處理能力,。能看到從角落等視野盲區(qū)處反射回來的不可見光的實時運動,，這對于汽車來說是一個令人激動的消息，但是針對自動駕駛汽車或機器人的應用系統(tǒng)還需要進一步的改進,。該研究團隊將會在自動研究汽車上測試新的攝像機系統(tǒng),，除了進行速度和分辨率等改進之外，研究團隊還將使系統(tǒng)變得更加通用,，以應對更具挑戰(zhàn)性的視覺環(huán)境,，例如霧霾、雨雪及沙塵暴等天氣,。
斯坦福大學（StanfordUniversity）電氣工程專業(yè)的研究生大衛(wèi)林德爾（David Lindell）親自實驗,。他穿上了一件高能見度運動服，開始在一間空房間里行走,、做各種動作,。通過該團隊研發(fā)的系統(tǒng)模型，他的同事可以清楚的觀察到他的舉動,。這其中的道理是：因為肉眼隱藏著,，他被高功率激光掃描，他反射到他周圍墻壁上的單個光粒子被攝像機的先進傳感器和處理算法捕獲并重建,。
此方法入選了ACM Trans.,，參加了7月28日-8月1日舉辦的SIGGRAPH 2019，并于今日（8月1日）進行公開演示（查看會議詳情請訪問：https://s2019.siggraph.org/）,。該項目還獲得斯坦福大學研究生獎學金,，國家科學基金會，特曼學院獎學金,，斯隆獎學金,，由阿卜杜拉國王科技大學,、斯坦福大學汽車研究中心出資贊助。
作者David Lindell自己評價這個系統(tǒng)模型稱,，“你看著激光掃描時,，你看不到任何東西。但有了這個硬件,，我們基本上可以‘減慢’時間并顯示這些光跡,，它看起來幾乎就像是魔術。同時也希望超人視覺系統(tǒng)可以幫助自動駕駛汽車和機器人比人工引導更安全地運行”,。
【Github】：
https://github.com/computational-imaging/nlos-fk
【數(shù)據(jù)集】：
https://drive.google.com/file/d/1_av9TdJ-J22qAUNs1ueZ8ETuRRW2KHg_/view
【論文下載】：
https://drive.google.com/file/d/1IizX1BXRICwBEJdGNu_bFaZ6oq4E92hQ/view
【補充材料下載】：
https://drive.google.com/file/d/1d_aY09rBeZRpup9-XxPkILbND4QESO7l/view
【更多詳細信息】：
http://www.computationalimaging.org/publications/nlos-fk/